h1

001010863 001__ 1010863
001010863 005__ 20250625131114.0
001010863 0247_ $$2HBZ$$aHT031056414
001010863 0247_ $$2Laufende Nummer$$a44345
001010863 0247_ $$2datacite_doi$$a10.18154/RWTH-2025-04385
001010863 020__ $$a978-3-98555-277-1
001010863 037__ $$aRWTH-2025-04385
001010863 041__ $$aGerman
001010863 082__ $$a620
001010863 1001_ $$0P:(DE-588)1366534646$$aKnaak, Christian$$b0$$urwth
001010863 245__ $$aEchtzeitüberwachung und -optimierung der Nahtqualität beim Laserstrahlschweißen mittels bildgebender Sensorik und künstlicher Intelligenz$$cChristian Knaak$$honline, print
001010863 246_3 $$aReal-time monitoring and optimization of seam quality in laser beam welding using imaging sensors and artificial intelligence$$yEnglish
001010863 250__ $$a1. Auflage
001010863 260__ $$aAachen$$bApprimus Verlag$$c2025
001010863 300__ $$a1 Online-Ressource : Illustrationen
001010863 3367_ $$02$$2EndNote$$aThesis
001010863 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
001010863 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
001010863 3367_ $$2BibTeX$$aPHDTHESIS
001010863 3367_ $$2DRIVER$$adoctoralThesis
001010863 3367_ $$2DataCite$$aOutput Types/Dissertation
001010863 3367_ $$2ORCID$$aDISSERTATION
001010863 4900_ $$aErgebnisse aus der Lasertechnik
001010863 502__ $$aDissertation, RWTH Aachen University, 2025$$bDissertation$$cRWTH Aachen University$$d2025$$gFak04$$o2025-03-25
001010863 500__ $$aDruckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
001010863 5203_ $$aDie laserbasierte Fertigungstechnik bietet unverzichtbare Werkzeuge für die kosteneffiziente Herstellung hochwertiger Produkte, wie beispielsweise batterieelektrische Fahrzeuge, welche für die Bewältigung der aktuellen gesellschaftlichen Herausforderung des Klimawandels von größter Bedeutung sind. Sinkende Taktzeiten, wachsende Anforderungen an die Produktqualität und steigende Flexibilitätsanforderungen sowie gewünschte Steigerungen der Kosteneffizienz stellen jedoch wachsende Herausforderungen für die Fertigungstechnik dar. Neben prozessspezifischen Verbesserungsmöglichkeiten im Rahmen der jeweiligen Anwendungen bieten insbesondere die Digitalisierung und Automatisierung von Fertigungsprozessen das Potenzial, den Marktzugang hinsichtlich ressourcenschonender Endprodukte weiter zu erleichtern. Um diese Potenziale zu erschließen, ist die Erfassung und intelligente Verarbeitung umfangreicher Maschinen-, Prozess- und Produktionsdaten notwendig, sodass datengestützte Handlungsempfehlungen abgeleitet werden können. Dabei steht im Rahmen dieser Arbeit die ganzheitliche Bewertung und Optimierung der Produktqualität während der Fertigung im Vordergrund. Dazu wird am Beispiel eines laserbasierten Fügeprozesses für moderne Karosseriebauteile ein KI-basiertes Qualitätssicherungssystementwickelt und evaluiert, welches in der Lage ist, unterschiedliche Nahtunregelmäßigkeiten und Prozessabweichungen während der Bearbeitung zu unterscheiden. Außerdem wird das auf einem neuronalen Netz basierende KI-System dahingehend erweitert, dass charakteristische Prozessmerkmale aus den Bilddaten extrahiert werden, welche das informationstechnische Fundament für eine nachgelagerte Prozessregelung liefern. Applikationsspezifische Optimierungen der Architektur des neuronalen Netzes sind ebenfalls Teil der Untersuchungen. Die messtechnische Grundlage für das Qualitätssicherungssystem stellen bildbasierte Sensoren in unterschiedlichen Beobachtungskonfigurationen bereit, die zudem einen Vergleich einzelner Bildmerkmale hinsichtlich ihrer Detektionsleistung erlauben. Eine zusätzliche Bewertung der Nahtqualität findet in Form einer hybriden Modellierung der Einschweißtiefe mit anschließender Kalibration anhand spezifischer Bildmerkmale statt. Das entwickelte hybride Modell lässt eine Berechnung der Einschweißtiefe auf Basis aktueller Bilddaten und der verwendeten Prozessparameter während des Prozesses zu. Da eine Bewertung der Unsicherheit des verwendeten KI-Systems im Rahmen dieser Anwendung von großer Bedeutung ist, wird ein Ansatz vorgestellt, der die Abschätzung der epistemischen Unsicherheit des neuronalen Netzes auf Basis einer Ausreißererkennung erlaubt. Schließlich erfolgt die Umsetzung und Erprobung einer Prozessregelung mit Algorithmen aus dem Bereich des Reinforcement Learning, welche eine hohe Anpassungsfähigkeit an neue Prozessrandbedingungen versprechen. Das Gesamtsystem wird hinsichtlich seiner Echtzeitfähigkeit überprüft und schließlich anhand experimenteller Untersuchungen in Bezug auf die Leistungsfähigkeit zur Fehlererkennung und -kompensation evaluiert.$$lger
001010863 520__ $$aLaser-based manufacturing technology is an indispensable tool for the cost-efficient production of products, such as battery electric vehicles, which are of utmost importance for meeting current societal challenges. However, decreasing cycle times, growing demands on product quality, and increasing flexibility requirements as well as desired increases in cost efficiency represent growing challenges from the perspective of manufacturing technology. In addition to process-specific possibilities for improvement within the framework of the respective applications, the digitalization and automation of manufacturing processes in particular offer the potential to further facilitate market access with regard to resource-saving end products. In order to tap this potential, it is necessary to collect and intelligently process extensive machine, process and production data so that data-supported recommendations for action can be derived. In the context of this work, the holistic evaluation and optimization of product quality during production is in the foreground. In this context, an AI-based process monitoring system is developed and evaluated using the example of laser-welded seams on galvanized car body components, which is able to distinguish between different seam irregularities and process deviations during the process. In addition, the neural network-based AI system will be extended to extract characteristic process features from the image data, which will provide the informational foundation for downstream process control. Application-specific optimizations of the neural network architecture are also part of the investigations. The metrological basis for the quality assurance system is provided by image-based sensors in different observation configurations, which also allow a comparison of individual image features with regard to their detection performance. An additional evaluation of the seam quality takes place in the form of a hybrid modelling of the weld penetration depth with subsequent calibration on the basis of specific image features. The hybrid model allows the weld penetration depth to be calculated based on current image data and the process parameters used during the process. Since an evaluation of the uncertainty of the used AI system is crucial in the context of this application, an approach is presented that allows the estimation of the epistemic uncertainty of the neural network based on outlier detection. Ultimately, a process control system will be implemented and tested using algorithms from the field of reinforcement learning, which promise a high degree of adaptability to new process conditions. The overall system is examined with respect to its real-time capability and finally evaluated on the basis of experimental investigations to determine the achievable defect detection and mitigation performance.$$leng
001010863 588__ $$aDataset connected to Lobid/HBZ
001010863 591__ $$aGermany
001010863 653_7 $$aFertigungstechnik
001010863 653_7 $$aKI
001010863 653_7 $$aLasertechnik
001010863 653_7 $$aconvolutional neural networks
001010863 653_7 $$ahigh-speed image processing
001010863 653_7 $$akünstliche Intelligenz
001010863 653_7 $$alaser welding
001010863 653_7 $$amodel uncertainty
001010863 653_7 $$areal-time control
001010863 653_7 $$areinforcement learning
001010863 653_7 $$aweld defect detection
001010863 7001_ $$0P:(DE-82)IDM05864$$aHäfner, Constantin Leon$$b1$$eThesis advisor$$urwth
001010863 7001_ $$0P:(DE-82)IDM00865$$aSchmitt, Robert H.$$b2$$eThesis advisor$$urwth
001010863 8564_ $$uhttps://publications.rwth-aachen.de/record/1010863/files/1010863.pdf$$yOpenAccess
001010863 8564_ $$uhttps://publications.rwth-aachen.de/record/1010863/files/1010863_source.docx$$yRestricted
001010863 909CO $$ooai:publications.rwth-aachen.de:1010863$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
001010863 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
001010863 9141_ $$y2025
001010863 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1366534646$$aRWTH Aachen$$b0$$kRWTH
001010863 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM05864$$aRWTH Aachen$$b1$$kRWTH
001010863 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00865$$aRWTH Aachen$$b2$$kRWTH
001010863 9201_ $$0I:(DE-82)418710_20140620$$k418710$$lLehrstuhl für Lasertechnik$$x0
001010863 9201_ $$0I:(DE-82)053100_20140620$$k053100$$lFraunhofer-Institut für Lasertechnik - ILT$$x1
001010863 961__ $$c2025-06-24T14:32:05.352238$$x2025-05-05T11:38:11.048779$$z2025-06-24T14:32:05.352238
001010863 9801_ $$aFullTexts
001010863 980__ $$aI:(DE-82)053100_20140620
001010863 980__ $$aI:(DE-82)418710_20140620
001010863 980__ $$aUNRESTRICTED
001010863 980__ $$aVDB
001010863 980__ $$abook
001010863 980__ $$aphd